[论文解读] Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction

Yongxiang Huang, Albert C. S. Chung|arXiv (Cornell University)|Sep 6, 2020

Machine Learning in Healthcare参考文献 26被引用 5

一句话总结

该论文提出边缘可变图卷积网络（EV-GCN），通过从多模态数据中学习自适应人群图，提升不确定性感知的疾病预测性能。通过集成影像与非影像特征，并结合可微分的变分边权重机制及蒙特卡洛边丢弃法进行不确定性估计，EV-GCN在四个数据集上对自闭症、阿尔茨海默病和眼部疾病预测均达到最先进性能，相较于先前方法最高提升3.9%的准确率。

ABSTRACT

There is a rising need for computational models that can complementarily leverage data of different modalities while investigating associations between subjects for population-based disease analysis. Despite the success of convolutional neural networks in representation learning for imaging data, it is still a very challenging task. In this paper, we propose a generalizable framework that can automatically integrate imaging data with non-imaging data in populations for uncertainty-aware disease prediction. At its core is a learnable adaptive population graph with variational edges, which we mathematically prove that it is optimizable in conjunction with graph convolutional neural networks. To estimate the predictive uncertainty related to the graph topology, we propose the novel concept of Monte-Carlo edge dropout. Experimental results on four databases show that our method can consistently and significantly improve the diagnostic accuracy for Autism spectrum disorder, Alzheimer's disease, and ocular diseases, indicating its generalizability in leveraging multimodal data for computer-aided diagnosis.

研究动机与目标

• 为解决整合多模态医学数据（影像与非影像）以实现基于人群的疾病预测并进行不确定性估计的挑战。
• 克服医学图学习中手工构建或基于阈值的亲和图存在的不稳定性与泛化能力不足的问题。
• 开发一种可微分、可优化的图结构构建机制，联合学习图拓扑与表征。
• 提出一种新颖的不确定性估计方法——蒙特卡洛边丢弃法（Monte-Carlo edge dropout），用于量化与图拓扑相关的预测不确定性。
• 在包括神经退行性疾病与眼部疾病在内的多样化医学领域中，验证该框架的泛化性与鲁棒性。

提出的方法

• 该框架构建一个人群图，其中边权重作为非影像特征（如年龄、性别）的可微函数进行学习，实现与图卷积网络的端到端优化。
• 采用谱图卷积网络聚合自适应图上的特征，通过正则化缓解深层GCN架构中的过平滑问题。
• 所提出的蒙特卡洛边丢弃（MCED）技术在推理过程中采样边子集，以估计预测不确定性，为预测结果提供置信区间。
• 边权重机制在数学上被证明可与谱GCN联合优化，支持图拓扑与节点表征的联合学习。
• 影像特征通过预训练CNN（如InceptionV4、EfficientNet-B0）提取，而非影像数据（人口统计信息）用于建模个体关联。
• 模型通过标签节点监督与基于图的正则化相结合进行训练，实现在部分标注人群上的半监督学习。

实验结果

研究问题

• RQ1 可学习的自适应人群图是否能够与图卷积网络联合优化，以提升多模态疾病预测性能？
• RQ2 蒙特卡洛边丢弃法在图神经网络中如何提升医学诊断的不确定性估计性能？
• RQ3 可微分的数据驱动图构建机制是否在临床预测任务中优于手工构建或基于阈值的亲和图？
• RQ4 EV-GCN在包括神经退行性疾病与眼部疾病在内的多样化医学领域中，其泛化能力达到何种程度？
• RQ5 估计的预测不确定性是否有助于识别高风险或模糊病例，以支持临床随访？

主要发现

• 在ADNI数据集上，EV-GCN在预测阿尔茨海默病转化方面达到79.4%的准确率，较先前最先进方法Parisot提升3.9%。
• 在TADPOLE数据集上，EV-GCN达到87.8%的准确率，较先前最先进方法AIG高出3.5个百分点。
• 在ODIR数据集上，EV-GCN相较于预训练CNN（InceptionV4与EfficientNet-B0）将平均AUC提升2.97%，在糖尿病视网膜病变检测中提升达4%。
• 使用包含站点、性别与年龄的边输入时，模型达到81.06%的准确率与最低不确定性（0.307），证明了更丰富关联特征的优势。
• 静态图方法AIG [9] 在与EfficientNet结合时性能下降，证实了EV-GCN中可学习图构建机制的鲁棒性。
• 通过MCED估计的不确定性有效识别出不确定样本，支持在临床决策支持系统中更安全地部署。